OpenAI bat la conjecture d’Erdős, 80 ans après

Un modèle d’OpenAI vient de faire vaciller une question que les mathématiciens traînent depuis 1946 : la conjecture d’Erdős sur les distances unitaires. Pas un benchmark de plus, pas un score dans un tableau marketing — un vrai résultat mathématique, relayé par OpenAI, vérifié par des mathématiciens externes et déjà discuté par la presse scientifique.

Le détail important, c’est que l’histoire est plus subtile que le titre. OpenAI ne dit pas seulement « on a trouvé une idée intéressante » ; la société affirme avoir produit un contre-exemple à la conjecture, avec une preuve publiée, des remarques de validation et un raisonnement long de 125 pages. En clair : si la démonstration tient, ce n’est pas juste un coup d’éclat médiatique. C’est un signal fort sur ce que savent déjà faire certains modèles de raisonnement.

---

La conjecture d’Erdős sur les distances unitaires, en simple

Le problème est facile à expliquer : si tu places n points dans le plan, combien de paires peuvent être exactement à distance 1 ? Erdős pensait qu’on ne pouvait pas faire beaucoup mieux qu’une croissance « presque linéaire » : quelque chose comme n^{1+o(1)}. C’était l’intuition dominante pendant des décennies.

La version courte du débat ressemble à ça :

Ce qu’on croyait	Ce que montre OpenAI
Les grilles carrées étaient quasiment optimales	Il existe des configurations meilleures
La croissance devait rester presque linéaire	Il existe un ε > 0 avec n^{1+ε} pour une infinité de tailles
Le problème semblait « fermé » dans le bon sens	La conjecture d’Erdős est fausse

Dans son papier, OpenAI résume le cœur du résultat ainsi : pour une infinité de tailles n, on peut construire des ensembles de points ayant au moins n^{1+δ} paires à distance 1. Ce n’est pas juste un raffinement cosmétique. Ça casse la borne conjecturée par Erdős.

La bonne façon de lire cette annonce, c’est de distinguer trois niveaux :

1. Le problème historique : la conjecture d’Erdős.
2. Le résultat d’OpenAI : un contre-exemple, donc la conjecture tombe.
3. Le vrai graal restant : connaître l’ordre exact de croissance optimal.

Pour l’instant, on sait que le plafond imaginé par Erdős était trop bas. On ne connaît pas encore le plafond exact.

Ce qu’OpenAI a vraiment prouvé — et ce qu’il ne faut pas confondre

La source primaire la plus utile ici, c’est le papier d’OpenAI, Planar Point Sets with Many Unit Distances : il annonce une construction qui passe par des outils d’algèbre et de théorie des nombres, avec un message simple à retenir : des nombres entiers, des corps de nombres et des tours de corps non ramifiés peuvent produire des configurations géométriques plus denses qu’on ne le pensait.

Le papier dit aussi quelque chose d’important sur la méthode. Ce n’est pas un modèle spécialisé « maths only ». OpenAI parle d’un general-purpose reasoning model. Autrement dit, un modèle généraliste de raisonnement, pas un solveur taillé sur mesure pour cette conjecture.

Côté vérification, la société affirme que la preuve a été examinée par des mathématiciens externes. Et l’article de Nature précise deux points qui comptent :

• OpenAI ne dévoile pas le nom du modèle.
• Le raisonnement public complet n’est pas intégralement publié, même si le résultat a été vérifié indépendamment.

Ça donne un tableau plus honnête que le simple « l’IA a résolu un problème de maths ». En réalité, le pipeline ressemble à ceci :

1. un modèle propose une piste de preuve ;
2. OpenAI filtre et reformule ;
3. des mathématiciens lisent, valident, améliorent ;
4. la version finale est publiée comme exposition humaine du résultat.

C’est précisément pour ça que le détail de la validation compte. La presse scientifique rappelle qu’OpenAI a déjà crié victoire trop tôt sur des problèmes d’Erdős il y a quelques mois. Cette fois, l’entreprise essaye clairement de ne pas refaire la même erreur.

Le point clé n’est donc pas « l’IA a remplacé le mathématicien ». Le point clé, c’est qu’un modèle de raisonnement généraliste a exploré un espace de solutions qu’une équipe humaine n’avait pas encore fermé.

Pourquoi ce résultat change la discussion sur l’IA de recherche

Si tu ne regardes que le titre, tu peux te tromper sur l’impact réel. Le vrai sujet n’est pas seulement « des maths ». C’est la capacité d’un modèle à enchaîner des idées hétérogènes : géométrie, théorie des nombres, structures algébriques, puis vérification humaine.

C’est là que l’annonce devient intéressante pour au moins trois publics.

1) Pour les chercheurs

L’IA ne sert plus seulement à résumer ou à reformuler. Elle peut devenir un moteur d’exploration. Pas un oracle, pas un auteur magique, mais un outil qui propose des chemins que ton intuition n’aurait pas testés assez vite.

Dans le papier d’OpenAI, la construction passe par des idées d’algèbre et de théorie des nombres très loin de la géométrie plane intuitive. C’est exactement le type de saut conceptuel qui fait gagner du temps quand il est bien utilisé.

2) Pour les équipes produit et les fondateurs

Le signal business n’est pas « l’IA fait des maths ». Le signal business, c’est : les modèles commencent à être utiles dans des tâches de découverte, pas seulement dans des tâches d’exécution.

Ça veut dire quoi concrètement ? Que demain, on peut imaginer des assistants capables de :

• générer des hypothèses techniques ;
• proposer des contre-exemples ;
• explorer des configurations de design ;
• chercher des invariants que l’équipe n’a pas vus.

C’est beaucoup plus profond qu’un simple copilote de rédaction.

3) Pour les développeurs

Tu peux lire cette annonce comme une version extrême de ce qu’on voit déjà dans les outils de code : le modèle ne « sait » pas juste écrire du code, il teste des chemins, corrige sa trajectoire et revient avec une solution plus riche qu’une réponse linéaire.

Si tu veux voir comment cette logique s’installe déjà dans le dev quotidien, relis mon article sur les agents IA pour coder : le guide multi-agent — on n’est pas dans le même domaine, mais on voit la même mécanique : exploration, feedback, correction.

Pourquoi il faut rester prudent, même quand le résultat est réel

Le risque classique avec ce genre d’annonce, c’est de passer de « résultat remarquable » à « fin des mathématiques humaines » en deux tweets. Ce serait idiot.

D’abord, le résultat ne donne pas l’exacte croissance optimale de la fonction. Il réfute une conjecture précise ; il ne clôt pas tout le chapitre. Ensuite, Nature rapporte que le nom du modèle n’a pas été communiqué et que le document de raisonnement de 125 pages n’est pas entièrement public. Donc la transparence est bonne, mais pas totale.

Et surtout, il faut garder en tête la différence entre :

• un contre-exemple vérifié,
• une preuve formelle totalement ouverte,
• et une histoire médiatique qui simplifie tout.

Le fait qu’OpenAI ait déjà été trop rapide sur des problèmes d’Erdős il y a sept mois est important. TechCrunch rappelle d’ailleurs que GPT-5 avait été présenté à tort comme ayant résolu plusieurs problèmes, avant qu’on découvre que les solutions existaient déjà dans la littérature. Cette fois, OpenAI semble avoir appris la leçon : moins de fanfare, plus de vérification.

C’est aussi pour ça que les réactions des mathématiciens comptent autant que l’annonce. Dans Nature, plusieurs chercheurs externes disent en substance : oui, c’est impressionnant, mais la validation humaine reste indispensable pour digérer, améliorer et mettre le résultat à niveau.

En bref : le signal est fort, mais la discipline reste la même. En maths, un résultat n’existe vraiment que s’il résiste à la lecture de gens qui savent exactement où ça casse.

Ce que ça dit du futur de l’IA de recherche

Le vrai changement, ce n’est pas « l’IA est plus intelligente ». C’est que la frontière entre outil de productivité et outil de découverte devient floue.

Jusqu’ici, on utilisait surtout les modèles pour :

• écrire ;
• résumer ;
• coder ;
• classer ;
• traduire ;
• reformuler.

Là, on voit autre chose : un modèle qui peut contribuer à un résultat que des experts jugent digne d’un vrai papier de recherche.

Si cette trajectoire se confirme, voici ce qui va changer :

• Dans les labos : davantage d’hypothèses générées automatiquement, puis filtrées par des humains.
• Dans l’industrie : des workflows de R&D où l’IA sert à explorer des espaces de solutions, pas seulement à automatiser des tâches répétitives.
• Dans la formation : des tuteurs qui ne donnent pas seulement la réponse, mais qui savent aussi chercher des pistes de preuve ou de conception.
• Dans les produits IA : la valeur se déplace vers la capacité à raisonner sur plusieurs étapes, pas juste à rédiger une belle réponse.

Le point le plus intéressant, à mes yeux, c’est que ce résultat vient d’un modèle généraliste. Pas d’un système hyper spécialisé sur un benchmark académique. Ça veut dire que la frontière utile de l’IA se déplace vers des tâches plus ouvertes, plus imprévisibles, plus proches de la vraie recherche.

Et si tu veux le résumé court du fait brut, je l’ai déjà couvert ici : OpenAI a-t-il résolu un casse-tête mathématique vieux de 80 ans ?. Ici, l’angle est différent : le point n’est pas seulement l’annonce, mais ce qu’elle dit du métier de chercheur à l’ère des modèles de raisonnement.

Ce qu’il faut retenir

• La conjecture d’Erdős sur les distances unitaires tombe : OpenAI affirme avoir trouvé un contre-exemple vérifié par des mathématiciens externes.
• Le résultat est plus important qu’un simple « score » : il montre un vrai saut dans l’exploration de preuves et la combinaison d’idées entre domaines.
• La prudence reste obligatoire : le modèle n’est pas nommé, le raisonnement complet n’est pas totalement public, et l’histoire des faux départs d’OpenAI sur les problèmes d’Erdős incite à garder la tête froide.

FAQ rapide

L’IA a-t-elle remplacé les mathématiciens ?
Non. Elle a produit ou exploré une preuve, mais la validation, la simplification et la mise en contexte ont impliqué des humains.

Le problème est-il complètement résolu ?
Non. Ce qui est résolu, c’est la conjecture précise d’Erdős sur la borne supérieure. L’ordre exact optimal reste un sujet de recherche.

Pourquoi c’est important pour toi si tu ne fais pas de maths ?
Parce que c’est un signal sur la prochaine génération d’outils IA : des systèmes capables d’explorer, pas seulement de répondre.

Sources primaires et lecture utile

• OpenAI — An OpenAI model has disproved a central conjecture in discrete geometry
• OpenAI — Planar Point Sets with Many Unit Distances
• OpenAI — Remarks on the disproof of the unit distance conjecture
• arXiv — Remarks on the disproof of the unit distance conjecture
• Nature — AI cracks 80-year-old mathematics challenge — researchers are astonished
• TechCrunch — OpenAI claims it solved an 80-year-old math problem — for real this time
• The Guardian — OpenAI makes breakthrough on 80-year-old maths problem